論文の概要: A machine learning approach to predicting pore pressure response in
liquefiable sands under cyclic loading
- arxiv url: http://arxiv.org/abs/2206.07780v1
- Date: Wed, 15 Jun 2022 19:39:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-18 19:51:48.292727
- Title: A machine learning approach to predicting pore pressure response in
liquefiable sands under cyclic loading
- Title(参考訳): 繰り返し負荷を受ける液状化砂の細孔圧力応答予測のための機械学習手法
- Authors: Yongjin Choi, Krishna Kumar
- Abstract要約: 我々はLSTMニューラルネットワークに基づくデータ駆動機械学習モデルを構築し,循環負荷下での土壌の液状化反応を捉える。
LSTMモデルでは, 遮蔽効果と密度効果を考慮した3つのサイクリック単純試験結果に対して, 細孔圧力応答を再現することに成功した。
- 参考スコア(独自算出の注目度): 2.132096006921048
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Shear stress history controls the pore pressure response in liquefiable
soils. The excess pore pressure does not increase under cyclic loading when
shear stress amplitude is lower than the peak prior amplitude -- the shielding
effect. Many sophisticated constitutive models fail to capture the shielding
effect observed in the cyclic liquefaction experiments. We develop a
data-driven machine learning model based on the LSTM neural network to capture
the liquefaction response of soils under cyclic loading. The LSTM model is
trained on 12 laboratory cyclic simple shear tests on Nevada sand in loose and
dense conditions subjected to different cyclic simple shear loading conditions.
The LSTM model features include the relative density of soil and the previous
stress history to predict the pore water pressure response. The LSTM model
successfully replicates the pore pressure response for three cyclic simple test
results considering the shielding and density effects.
- Abstract(参考訳): せん断応力履歴は液化性土壌の細孔圧力応答を制御する。
せん断応力振幅がピーク前の振幅よりも低い場合、過大な気孔圧力は循環荷重下では増加しない。
多くの洗練された構成モデルは、循環液状化実験で観測された遮蔽効果を捉えられなかった。
我々はLSTMニューラルネットワークに基づくデータ駆動機械学習モデルを構築し,循環負荷下での土壌の液状化反応を捉える。
LSTMモデルは, 異なる循環型単純せん断載荷条件の下で, ネバダ砂上の12個の実験室循環型単純せん断試験を訓練した。
lstmモデルの特徴は、細孔水圧応答を予測するために、土壌の相対密度と以前の応力履歴を含む。
LSTMモデルでは, 遮蔽効果と密度効果を考慮した3つのサイクリック単純試験結果に対して, 細孔圧力応答の再現に成功した。
関連論文リスト
- Probing the many-body localized spin-glass phase through quench dynamics [0.0]
乱れたスピン鎖の動的性質を特徴付け,スピングラス状態に着目した。
これらの振動は、単純な理論モデルを用いて、多体局在スピンガラス状態において深く説明される。
我々の研究は、RG予測が数値シミュレーションや実験に対して定量的に検証できることを示唆し、大規模システムにおける動的位相の微視的記述を可能にする可能性を示唆している。
論文 参考訳(メタデータ) (2025-02-12T08:05:22Z) - Elucidating microstructural influences on fatigue behavior for additively manufactured Hastelloy X using Bayesian-calibrated crystal plasticity model [0.0]
結晶塑性モデリング(CPモデリング)は材料の機械的挙動を予測する重要なツールである。
本稿では,疲労負荷条件下での最適CPモデルパラメータの同定に最適化(BO)を用いる頑健な手法を提案する。
論文 参考訳(メタデータ) (2024-12-06T15:46:37Z) - Non-interferometric rotational test of the Continuous Spontaneous Localisation model: enhancement of the collapse noise through shape optimisation [0.0]
最近の短距離重力実験で測定された回転騒音に対して連続自発局所化モデルのパラメータを上界に導出する。
テーブルトップ実験であるにもかかわらず, 崩壊パラメータの関連値については, LIGOの値よりも1桁も弱いことが判明した。
論文 参考訳(メタデータ) (2024-02-20T14:52:00Z) - Inexpensive High Fidelity Melt Pool Models in Additive Manufacturing
Using Generative Deep Diffusion [40.80426609561942]
レーザー粉末層融合(L-PBF)の欠陥は、しばしば溶融プールとして知られるレーザー近傍の溶融合金のメソスケールのダイナミクスによって生じる。
本研究では,確率的拡散フレームワークに基づく生成的深層学習モデルを構築し,低忠実度,粗粒度シミュレーション情報を高忠実度にマッピングする。
論文 参考訳(メタデータ) (2023-11-15T19:37:20Z) - Synthetic Wave-Geometric Impulse Responses for Improved Speech
Dereverberation [69.1351513309953]
室内インパルス応答 (RIR) の低周波成分を正確にシミュレートすることが, 良好な脱ヴァーベレーションを実現する上で重要であることを示す。
本研究では, ハイブリッド合成RIRで訓練された音声残響モデルが, 従来の幾何線トレーシング法により学習されたRIRで訓練されたモデルよりも優れていたことを示す。
論文 参考訳(メタデータ) (2022-12-10T20:15:23Z) - Probing flux and charge noise with macroscopic resonant tunneling [45.36850110238202]
我々は,初期井戸の低エネルギー状態から地中への非コヒーレントトンネルの速度を測定した。
本研究では, フラックスおよび荷電騒音に関する情報を1つの実験装置で抽出できる理論モデルを構築した。
論文 参考訳(メタデータ) (2022-10-04T16:15:34Z) - AT-DDPM: Restoring Faces degraded by Atmospheric Turbulence using
Denoising Diffusion Probabilistic Models [64.24948495708337]
大気の乱流は、ぼやけや幾何学的歪みを導入して画質を著しく劣化させる。
CNNベースやGANインバージョンベースなど,深層学習に基づく単一画像大気乱流低減手法が提案されている。
Denoising Diffusion Probabilistic Models (DDPMs) は、その安定したトレーニングプロセスと高品質な画像を生成する能力により、最近注目を集めている。
論文 参考訳(メタデータ) (2022-08-24T03:13:04Z) - Deep Impulse Responses: Estimating and Parameterizing Filters with Deep
Networks [76.830358429947]
高雑音および地中設定におけるインパルス応答推定は難しい問題である。
本稿では,ニューラル表現学習の最近の進歩に基づいて,インパルス応答のパラメータ化と推定を行う新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2022-02-07T18:57:23Z) - Dynamic fracture of a bicontinuously nanostructured copolymer: A deep
learning analysis of big-data-generating experiment [0.0]
両連続ナノ構造を有するポリウレアの動的破壊靭性および凝集パラメータを極端に高いクラック・リップ負荷速度で報告した。
ポリウレアの動的凝集パラメータは, 事前学習したCNNアーキテクチャにより初めて得られた。
論文 参考訳(メタデータ) (2021-12-03T15:31:59Z) - Forecasting Thermoacoustic Instabilities in Liquid Propellant Rocket
Engines Using Multimodal Bayesian Deep Learning [1.911678487931003]
我々は、動的圧力時系列の振幅を予測するために、自己回帰ベイズニューラルネットワークモデルを訓練する。
ネットワークは、圧力振幅の進化を正確に予測し、目に見えない実験で500ミリ秒前に不安定事象を予測できる。
論文 参考訳(メタデータ) (2021-07-01T18:28:13Z) - Non-trivial quantum magnetotransport oscillations in pure and robust
topological $\alpha$-Sn films [58.720142291102135]
InSb基板上に成長した純およびロバストな$alpha$Sn膜におけるトポロジカル・ディラック・フェルミオン電荷キャリアの実験的証拠を報告する。
キャリア密度が低くモビリティが高い表面バンドは、観測されたシュブニコフ・デ・ハース振動の起源として特定されている。
論文 参考訳(メタデータ) (2020-02-27T16:46:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。